Zamislite vidovnjaka koji vašim roditeljima, na dan vašeg rođenja, govori koliko ćete dugo živjeti. Slično iskustvo je moguće za hemičare baterija koji koriste nove računarske modele za izračunavanje vijeka trajanja baterija na osnovu samo jednog ciklusa eksperimentalnih podataka.

U novoj studiji, istraživači u Nacionalnoj laboratoriji Argonne pri američkom Ministarstvu energetike (DOE) okrenuli su se snazi ​​mašinskog učenja kako bi predvidjeli vijek trajanja širokog spektra različitih hemijskih sastava baterija. Koristeći eksperimentalne podatke prikupljene u Argonneu iz seta od 300 baterija koje predstavljaju šest različitih hemijskih sastava baterija, naučnici mogu precizno odrediti koliko dugo će različite baterije nastaviti ciklički da se pune i pune.

Istraživači iz Argonnea koristili su modele mašinskog učenja kako bi predvidjeli vijek trajanja baterije za širok raspon različitih hemijskih sastava. (Slika: Shutterstock/Sealstep.)

U algoritmu mašinskog učenja, naučnici obučavaju računarski program da donosi zaključke na osnovu početnog skupa podataka, a zatim ono što je naučio tokom te obuke koristi za donošenje odluka na osnovu drugog skupa podataka.

„Za svaku različitu vrstu primjene baterija, od mobilnih telefona do električnih vozila i skladištenja energije u mreži, vijek trajanja baterije je od fundamentalne važnosti za svakog potrošača“, rekao je Noah Paulson, računarski naučnik iz Argonnea, autor studije. „Potreba da se baterija hiljadu puta ciklično puni dok ne pokvari može trajati godinama; naša metoda stvara neku vrstu računarske testne kuhinje u kojoj možemo brzo utvrditi kako će se različite baterije ponašati.“

„Trenutno, jedini način da se procijeni kako kapacitet baterije opada jeste da se baterija zapravo ciklično puni i prazni“, dodala je elektrohemičarka iz Argonnea, Susan ​„Sue“ Babinec, još jedna autorica studije. ​„To je vrlo skupo i traje dugo.“

Prema Paulsonu, proces određivanja vijeka trajanja baterije može biti nezgodan. „Stvarnost je da baterije ne traju vječno, a koliko dugo traju zavisi od načina na koji ih koristimo, kao i od njihovog dizajna i hemijskog sastava“, rekao je. „Do sada zaista nije postojao dobar način da se sazna koliko će baterija trajati. Ljudi će htjeti znati koliko im je vremena preostalo prije nego što budu morali potrošiti novac na novu bateriju.“

Jedan jedinstveni aspekt studije je to što se oslanjala na opsežan eksperimentalni rad obavljen u Argonneu na različitim materijalima za katode baterija, posebno na Argonneovoj patentiranoj katodi na bazi nikl-mangan-kobalta (NMC). „Imali smo baterije koje su predstavljale različite hemijske sastave, koje imaju različite načine na koje bi se degradirale i otkazivale“, rekao je Paulson. „Vrijednost ove studije je u tome što nam je dala signale koji su karakteristični za to kako različite baterije funkcionišu.“

Dalja istraživanja u ovom području imaju potencijal da usmjere budućnost litijum-jonskih baterija, rekao je Paulson. „Jedna od stvari koju možemo učiniti jeste da treniramo algoritam na poznatoj hemiji i da on daje predviđanja na nepoznatoj hemiji“, rekao je. „U suštini, algoritam bi nam mogao pomoći da se usmjerimo u smjeru novih i poboljšanih hemikalija koje nude duži vijek trajanja.“

Na ovaj način, Paulson vjeruje da bi algoritam mašinskog učenja mogao ubrzati razvoj i testiranje materijala za baterije. „Recimo da imate novi materijal i da ga ciklirate nekoliko puta. Možete koristiti naš algoritam da predvidite njegov vijek trajanja, a zatim donijeti odluke o tome želite li nastaviti s eksperimentalnim cikliranjem ili ne.“

„Ako ste istraživač u laboratoriji, možete otkriti i testirati mnogo više materijala u kraćem vremenu jer imate brži način da ih procijenite“, dodao je Babinec.

Rad zasnovan na studiji, ​"Inženjering karakteristika za mašinsko učenje omogućio je rano predviđanje vijeka trajanja baterije„“, objavljeno je 25. februara u online izdanju časopisa Journal of Power Sources.

Pored Paulsona i Babineca, među autorima rada su i Joseph Kubal iz Argonnea, Logan Ward, Saurabh Saxena i Wenquan Lu.

Studiju je finansirala Argonne Laboratory-Directed Research and Development (LDRD) grant.